中科院刘莹数据挖掘课程作业2教程.docxVIP

下载本文档

3
0
约7.13千字
约 16页
2017-05-06 发布于湖北
举报
版权申诉

中科院刘莹数据挖掘课程作业2教程.docx

1、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

中科院刘莹数据挖掘课程作业2教程

HW2Due Date: Nov. 23Part I: written assignment1.Compute the Information Gain for Gender, Car Type and Shirt Size.本题的class有两类；即C0和C1==1（D）=+=+=0.971Gain（）=-（D）=1-0.971=0.029（D）=++=+=0.3797Gain（）=-（D）=1-0.3797=0.6203（D）=+++=+=0.9876Gain（）=-（D）=1-0.9876=0.0124Construct a decision tree with Information Gain.由a知，CarType的information Gain最大，故本题应该选择CarType作为首要分裂属性。CarType的类别有Luxury family Sport（因全部属于C0类，此类无需再划分）对Luxury进一步划分：==0.5436（D）=+=+=0.5177Gain（）=-（D）=0.5436-0.5177=0.0259（D）=+++=0.25Gain（）=-（D）=0.5436-0.25=0.2936故此处选择ShirtSize进行属性分裂。对family进一步划分：==0.811Gain（）=-（D）=0.811-=0Gain（）=-（D）=0.811--- - =0.811故此处选择ShirtSize进行属性分裂。根据以上的计算可得本题的决策数如下：(a) Design a multilayer feed-forward neural network (one hidden layer) for the data set in Q1. Label the nodes in the input and output layers. 根据数据的属性特点易知输入层有8个节点，分别为：x1 Gender ( Gender = M: x1 = 1; Gender = F: x1 = 0 )x2 Car Type = Sports ( Y = 1; N = 0)x3 Car Type = Family( Y = 1; N = 0)x4 Car Type = Luxury ( Y = 1; N = 0)x5 Shirt Size = Small ( Y = 1; N = 0)x6 Shirt Size = Medium ( Y = 1; N = 0)x7 Shirt Size = Large ( Y = 1; N = 0)x8 Shirt Size = Extra Large ( Y = 1; N = 0)隐藏层有三个节点x9、x10和x11. 输出为二类问题, 因此只有1个节点x12(C0=1;C2=0). 神经网络图如下：（其中Wij表示输入层第i个节点到隐藏层第j个节点所付权重，为方便计算，第i个节点到第9/10/11个节点的权重设置一样；Wi-j则表示隐藏层第i个节点到输出层节点所赋予的权重）Using the neural network obtained above, show the weight values after one iteration of the back propagation algorithm, given the training instance “(M, Family, Small). Indicate your initial weight values and biases and the learning rate used.对于 (M, Family, Small), 其类标号为C0, 其训练元祖为{1, 0, 1, 0, 1, 0, 0, 0}.表1初始输入、权重、偏倚值和学习率X1X2X3X4X5X6X7X8W1jW2jW3jW4j101010000.2W5jW6jW7jW8jW9-12W10-12W11-12L---表2净输入和净输出计算单元j净输入Ij净输出Oj91*0.1+1*0.1+1*0.1+0.1=0.41+(1+)=0.51101*0.1+1*0.1+1*0.1++0.1=0.41+(1+)=0.51111*0.1+1*0.1+1*0.1-0.1=0.21+(1+)=0.78120.51*0.1+0.51*0.2-0.78*0.1=0.0751+(1+)=0.92表3每个节点误差的计算单元jErrj120.92*(1-0.92) *(1-0.92)=0.0059110.78*(1-0.78)* 0.0059*(-0.1)=-051*(1-0.51)* 0.0059*(0.2)=0.0002990.51*(1-0.51)*